研究人员开发了一种新颖的物理信息神经网络（PINN）框架，用于模拟具有反应壁面的剪切流中溶质的色散。这种无网格方法将控制的对流扩散方程和Robin边界条件嵌入到损失函数中，从而能够准确地重构时空浓度场。PINN框架已通过有限差分基准进行了验证，并证明了其提取详细输运诊断的能力，例如轴向色散系数和局部吸收通量。该研究强调了PINN作为分析流体动力学中复杂反应输运现象的可解释工具的潜力。 AI
影响 确立了PINN作为分析流体动力学中复杂反应输运的可行的无网格工具。
排序理由 详细介绍新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Adi
- alphaXiv
- CatalyzeX
- Couette flow
- Couette-Poiseuille flow
- DagsHub
- Gotit.pub
- Hagen–Poiseuille equation
- Hugging Face
- Nanda Poddar
- Science
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
